【好文分享】台中精機：AI 只是其中一種工具，並非所有問題的最佳解
2023 年是生成式 AI 突飛猛進之年，AI 如何取代人工、影響產業未來，也成為各方熱議焦點。
為了觀察台灣不同產業投入 AI 轉型的現況，《經理人》、《數位時代》合作推出
《2024 職場學習趨勢報告：企業如何學習與落實AI？》。
透過國內 7 家指標型企業的實戰案例，與台灣人工智慧學校的多年培訓經驗，
看台灣企業如何面對 AI 衝擊，持續推動轉型與未來發展。
隨著 ChatGPT 帶動 AI 熱潮，不少企業希望以 AI 提高工作效率、創造新商模。
不過，台中精機總經理室經理鄭生懋，以 3 年來帶領 AI 專案團隊經驗，
給製造業者的建議是，AI 只是眾多工具的其中一種，不是解決所有問題的唯一途徑。
他形容，AI 像是全能型的運動選手，適用情境廣，任何問題都難不倒它，但如果是跟專項選手相比，
AI 未必能勝過傳統的方法，特別是針對簡單、複雜度不高問題。
舉例來說，AI 能判讀加工品的位置，確保機械手臂能順利夾取物件，但應用傳統方法，
像是 AOI（Automated Optical Inspection，自動光學檢測）系統也能達成同樣效果，此時就會選擇 AOI。
因為採用 AI 時，企業需要蒐集數百張物件圖片，訓練演算法模型，這比購買市售 AOI 產品，更費時、 耗成本。
因此，企業不要為了用 AI 而用，應該先思考「哪些是困擾許久、過往難以解決的問題」，
選對題是 AI 能否帶來商業價值的關鍵。
解方不能只是「有作用」， 更要對準符合客戶的需求
構思 AI 專案時，台中精機參酌不少 AI 在製造領域的案例，有項應用是蒐集工具機的振動、電流、溫度等運作資訊，
利用 AI 提取異常設備的特徵，預判設備的健康程度，提醒工廠端停機檢查。
「看似很棒的解決方案，但對客戶的效益有限。」鄭生懋表示，購買工具機的客戶在意的並不是機台是否健康，
而是機台出狀況會不會影響加工品質，直接連結他們的業務績效，所以台中精機選擇以「提升加工良率」作為 AI 專案主軸，
更貼近客戶的需求。
在工具機中，「熱變位」是影響加工精度的重要因素之一。
工具機在加工時，主軸（驅動工具機運轉的零件）與其他零件會高速旋轉、移動而發熱，
這可能使得刀具位置偏移，導致成品出現精度誤差，該現象稱為熱變位。
如果能把偏移幅度校正、補償回來，加工精度就會提升。
鄭生懋表示，產學界花了數 10 年透過公式推算變位幅度，但成效不佳，
主因是造成熱變位的要素太多，包括：工廠溫度、加工方式、工具機的結構設計，
很難靠人為去建立一套涵蓋所有變因的公式，此時 AI 就派得上用場。
台中精機在新廠區設計「溫控實驗室」。
2020 年開始將工具機拖進實驗室內測試，量測、建立各機型在攝氏 10 到 35 度之間的熱變位量，
分析生成 AI 模型:一旦工具機發生熱變位的情況，就會自動調整刀具的偏移幅度。
實際成果是讓加工的熱變位誤差降低 50% 以上。
2021 年以後，台中精機的 CNC（Computer Numerical Control，電腦數值控制）
工具機新產品皆導入「熱變位補償」解決方案，提升產品的附加價值。
2022 年台中精機也循著該模式，開發「刀具品質預測」系統，藉由 AI 自動判讀刀具的即時狀況，
延長刀具的使用效益、產品的良率，目前模型的預測準確度達 9 成以上。
掌握資料與外部資訊夥伴協力，加快 AI 開發速度
鄭生懋表示，上述專案主要是他帶領內部熟悉智慧製造、具有資訊背景的 4、5 位同仁，在 3 年之內完成。
不過，在投入專案之前，他們都沒有 AI 相關的領域知識，即便透過外部的 AI 課，
也只是了解 AI 開發過程與應用案例，仍不具備演算法開發的技能。
此時，借助外部資源就是最快的方式，前提是開發者必須掌握解題的策略、資料蒐集的方式。
以「刀具品質預測」系統為例，台中精機知道刀具品質的損耗程度，
會反應在工具機馬達的電流、力矩與外部振動訊號上，一旦刀具損耗，切削金屬的阻力增大，
工具機馬達需要出更大的力量驅動刀具運轉，所以電流跟振動幅度都會變大。
藉由在工具機上裝設感測器，並以人工量測刀具的外觀變化，就能蒐集 到「刀具品質預測」演算法開發所需要的資料。
接著，台中精機才找逢甲大學資工系合作，協助資料清理、訓練 AI 模型，加速開發效率。
圖/侯俊偉 攝影
指定懂資訊又懂流程的溝通窗口，協助技術專家調整演算法
不過，AI 模型通常無法一步到位，需要不斷優化。
為了減輕排班表的人力負擔、即時調整生產排程，台中精機在 2020 年開發「先進排程系統」 (APS，Advanced Planning & Scheduling System)，
目標是讓 AI 依據生產資源、製程、人員技能與排班人數，排出機台製造的班表。
原以為這是簡單的計畫，但在測試模型的過程中，經常發生 AI 排的班表比人排的還差。
此時，他們就要跟外部資訊公司討論，演算法有哪些缺失、有哪些資料需要補齊、人排班表的邏輯依據為何，
「光是在 APS 開發上，就調整了 3 年」，目前仍持續在進行。
這個過程給鄭生懋的深刻體悟是：企業一定要找懂內部工作流程、產品技術，並能跟外部資訊團隊溝通的主管作為主責窗口，
否則演算法的調整會困難重重。
本身學物理、非資工專業的鄭生懋，靠著外部上課、上網自學 AI 相關的知識，
「其實 AI 的運作邏輯沒有很難，難的是蒐集數據、與外部資訊團隊合作、不斷調整廠內運作流程與 AI 模型。」
他表示，這些都不是坐在教室裡可以學到的，
唯有實際動手做、錯中學、累積經驗，AI 才能愈用愈上手。
台中精機如何學習使用AI？
目標｜分析工具機的誤差範圍、生成AI模型，提升加工良率。
做法｜與外部資訊夥伴協力，並從內部找懂資訊又懂流程者當窗口，協助改良演算法。
成果｜藉由 AI 降低 50% 以上加工誤差，並自動判讀刀具的即時狀況，準確度超過 90%。
鄭生懋｜
1986年生，清大物理研究所畢業，曾在台積電歷練，2015 年加入台中精機，目前擔任台中精機總經理室經 理，
對內主導智慧製造相關專案，對外擔任客戶自動化與智慧應用等整合專案的接洽窗口。
台中精機｜
創立時間:1954年
員工人數:800人
營收表現:75.8億元(2022全年) 營運項目:CNC車床，綜合加工機、塑膠射出成型機。
本文轉自經理人網站文章：製造業如何 AI 轉型？台中精機：AI 只是其中一種工具，並非所有問題的最佳解
